本发明专利技术公开了一种风险概率识别方法、装置、处理器和电子设备。涉及人工智能领域，该方法包括：确定N个目标数据，其中，N个目标数据包括设备数据，N个目标数据分别包括数据各自的属性信息以及数据与其它数据之间进行交互的行为信息，N为大于1的整数；根据N个目标数据，生成目标结构图，其中，N个节点分别表征N个目标数据，N个节点之间的边分别表征N个目标数据之间的交互行为；将目标结构图输入预先训练的关系图卷积网络模型，由关系图卷积网络模型输出与N个目标数据一一对应的N个风险概率。本发明专利技术解决了相关技术中对金融机构账户进行风险预测时的存在预测结果不准确的问题。预测时的存在预测结果不准确的问题。预测时的存在预测结果不准确的问题。
【技术实现步骤摘要】
风险概率识别方法、装置、处理器和电子设备
[0001]本专利技术涉及人工智能领域，具体而言，涉及一种风险概率识别方法、装置、处理器和电子设备。
技术介绍
[0002]现在在金融机构业内实施的风险概率识别方法主要有两类，一类是基于专家规则的风险概率识别方法，即当进行交易的金融机构账户满足一些条件时自动确认该账户风险概率高，并对该账户进行控制。另一类为基于人工智能的风险概率识别方法，主要应用决策树模型对交易特征、客户信息特征等特征进行预训练，每日日终将当日交易账户输入模型进行预测判断风险。
[0003]现有技术考虑了账户之间的交互信息，对账户的风险概率进行预测，但是通过这样的预测方式给出账户风险概率的识别效果一般，模型的准确率和召回率都较低。
[0004]针对相关技术中对金融机构账户进行风险预测时的存在预测结果不准确的问题，目前尚未提出有效的解决方案。
技术实现思路
[0005]本专利技术实施例提供了一种风险概率识别方法、装置、处理器和电子设备，以至少解决相关技术中对金融机构账户进行风险预测时的存在预测结果不准确的技术问题。
[0006]为了实现上述目的，根据本申请的一个方面，提供了一种风险概率识别方法。该方法包括：确定N个目标数据，其中，N个目标数据包括设备数据，N个目标数据分别包括数据各自的属性信息以及数据与其它数据之间进行交互的行为信息，N为大于1的整数；根据N个目标数据，生成目标结构图，其中，目标结构图包括N个节点和N个节点之间的边，N个节点分别表征N个目标数据，N个节点各自的节点属性分别由N个目标数据各自的属性信息确定，N个节点之间的边分别表征N个目标数据之间的交互行为，N个节点之间的边的边属性由行为信息确定；将目标结构图输入预先训练的关系图卷积网络模型，由关系图卷积网络模型输出与N个目标数据一一对应的N个风险概率。
[0007]可选地，将目标结构图输入预先训练的关系图卷积网络模型，由关系图卷积网络模型输出与N个目标数据一一对应的N个风险概率，包括：将目标结构图输入图卷积网络单元，由图卷积网络单元输出与N个节点一一对应的N个嵌入式表达，其中，关系图卷积网络模型包括图卷积网络单元，N个嵌入式表达分别表征N个目标节点的特征信息；将N个嵌入式表达输入矩阵运算单元，由矩阵运算单元输出与N个目标数据一一对应的N个风险概率，其中，关系图卷积网络模型包括矩阵运算单元。
[0008]可选地，将N个嵌入式表达输入矩阵运算单元，由矩阵运算单元输出与N个目标数据一一对应的N个风险概率，包括：将N个嵌入式表达输入矩阵运算单元，由矩阵运算单元根据N个嵌入式表达分别对应的N个节点对应的对象类型，确定N个嵌入式表达各自对应的矩阵；将N个嵌入式表达与N个嵌入式表达各自对应的矩阵分别相乘，由矩阵运算单元输出与N
个目标数据一一对应的N个风险概率。
[0009]可选地，将目标结构图输入预先训练的关系图卷积网络模型，由关系图卷积网络模型输出与N个目标数据一一对应的N个风险概率，包括：将目标结构图输入图卷积网络单元，由图卷积网络单元输出与N个节点一一对应的N个嵌入式表达，其中，关系图卷积网络模型包括图卷积网络单元，N个嵌入式表达分别表征N个目标节点的特征信息；将N个嵌入式表达输入神经网络模型单元，由神经网络模型单元输出与N个目标数据一一对应的N个风险概率，其中，关系图卷积网络模型包括神经网络模型单元，神经网络模型单元中包括神经网络模型，神经网络模型用于将输入的嵌入式表达转化为风险概率输出。
[0010]可选地，关系图卷积网络模型为通过如下方式训练得到的模型，包括：获取L个样本数据和与L个样本数据分别对应的L个风险信息，其中，L个样本数据包括设备数据，L个样本数据分别包括数据各自的属性信息以及数据与其它数据之间进行交互的样本行为信息，L个风险信息分别表征L个样本数据的风险状态，L为大于1的整数；根据L个样本数据，生成样本结构图，其中，样本结构图包括L个节点和L个节点之间的边，L个节点分别表征L个样本数据，L个节点各自的节点属性分别由L个样本对象的样本属性信息确定，L个节点之间的边分别表征L个样本数据之间的交互行为，L个节点之间的边的边属性由样本行为信息确定；将样本结构图输入原始神经网络模型，并根据风险信息训练原始神经网络模型，得到关系图卷积网络模型，其中，原始神经网络模型为关系图卷积网络模型的原始模型。
[0011]可选地，根据N个目标数据，生成目标结构图，包括：将N个目标数据确定为N个节点；根据行为信息，确定N个目标数据之间的交互行为为N个节点之间的边，以及确定N个节点之间的边具有的边属性；根据属性信息确定N个节点的节点属性；根据N个节点、N个节点之间的边、N个节点的节点属性和N个节点之间的边具有的边属性，生成目标结构图。
[0012]可选地，确定N个目标数据，包括：获取M个对象数据，其中，M个对象数据包括账户数据和设备数据；根据M个对象数据，确定账户数据各自的账户出入度，其中，账户出入度分别表征账户数据的交易频率；将出入度大于预定阈值的账户数据从M个对象数据中删除，将M个对象数据中没有被删除的数据确定为N个目标数据。
[0013]为了实现上述目的，根据本申请的另一方面，提供了一种风险概率识别装置。该装置包括：确定模块，用于确定N个目标数据，其中，N个目标数据包括设备数据，N个目标数据分别包括数据各自的属性信息以及数据与其它数据之间进行交互的行为信息；生成模块，用于根据N个目标数据，生成目标结构图，其中，目标结构图包括N个节点和N个节点之间的边，N个节点分别表征N个目标数据，N个节点各自的节点属性分别由N个目标数据各自的属性信息确定，N个节点之间的边分别表征N个目标数据之间的交互行为，N个节点之间的边的边属性由行为信息确定；输出模块，用于将目标结构图输入预先训练的关系图卷积网络模型，由关系图卷积网络模型输出与N个目标数据一一对应的N个风险概率。
[0014]为了实现上述目的，根据本申请的又一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述风险概率识别方法。
[0015]为了实现上述目的，根据本申请的再一方面，提供了一种电子设备，电子设备包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任意一项所述风险概率识别方法。
[0016]在本专利技术实施例中，采用以下步骤：确定N个目标数据，其中，N个目标数据包括设备数据，N个目标数据分别包括数据各自的属性信息以及数据与其它数据之间进行交互的行为信息；根据N个目标数据，生成目标结构图，其中，目标结构图包括N个节点和N个节点之间的边，N个节点分别表征N个目标数据，N个节点各自的节点属性分别由N个目标数据各自的属性信息确定，N个节点之间的边分别表征N个目标数据之间的交互行为，N个节点之间的边的边属性由行为信息确定；将目标结构图输入预先训练的关系图卷积网络模型，由关系图卷积网络模型输出与N个目标本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种风险概率识别方法，其特征在于，包括：确定N个目标数据，其中，所述N个目标数据包括设备数据，所述N个目标数据分别包括数据各自的属性信息以及所述数据与其它数据之间进行交互的行为信息，N为大于1的整数；根据所述N个目标数据，生成目标结构图，其中，所述目标结构图包括N个节点和所述N个节点之间的边，所述N个节点分别表征所述N个目标数据，所述N个节点各自的节点属性分别由所述N个目标数据各自的属性信息确定，所述N个节点之间的边分别表征所述N个目标数据之间的交互行为，所述N个节点之间的边的边属性由所述行为信息确定；将所述目标结构图输入预先训练的关系图卷积网络模型，由所述关系图卷积网络模型输出与所述N个目标数据一一对应的N个风险概率。2.根据权利要求1所述的方法，其特征在于，所述将所述目标结构图输入预先训练的关系图卷积网络模型，由所述关系图卷积网络模型输出与所述N个目标数据一一对应的N个风险概率，包括：将所述目标结构图输入图卷积网络单元，由所述图卷积网络单元输出与所述N个节点一一对应的N个嵌入式表达，其中，所述关系图卷积网络模型包括所述图卷积网络单元，所述N个嵌入式表达分别表征所述N个目标节点的特征信息；将所述N个嵌入式表达输入矩阵运算单元，由所述矩阵运算单元输出与所述N个目标数据一一对应的N个风险概率，其中，所述关系图卷积网络模型包括所述矩阵运算单元。3.根据权利要求2所述的方法，其特征在于，所述将所述N个嵌入式表达输入矩阵运算单元，由所述矩阵运算单元输出与所述N个目标数据一一对应的N个风险概率，包括：将所述N个嵌入式表达输入所述矩阵运算单元，由所述矩阵运算单元根据所述N个嵌入式表达分别对应的所述N个节点对应的对象类型，确定所述N个嵌入式表达各自对应的矩阵；将所述N个嵌入式表达与所述N个嵌入式表达各自对应的矩阵分别相乘，由所述矩阵运算单元输出与所述N个目标数据一一对应的N个风险概率。4.根据权利要求1所述的方法，其特征在于，所述将所述目标结构图输入预先训练的关系图卷积网络模型，由所述关系图卷积网络模型输出与所述N个目标数据一一对应的N个风险概率，包括：将所述目标结构图输入图卷积网络单元，由所述图卷积网络单元输出与所述N个节点一一对应的N个嵌入式表达，其中，所述关系图卷积网络模型包括所述图卷积网络单元，所述N个嵌入式表达分别表征所述N个目标节点的特征信息；将所述N个嵌入式表达输入神经网络模型单元，由所述神经网络模型单元输出与所述N个目标数据一一对应的N个风险概率，其中，所述关系图卷积网络模型包括所述神经网络模型单元，所述神经网络模型单元中包括神经网络模型，所述神经网络模型用于将输入的嵌入式表达转化为风险概率输出。5.根据权利要求1所述的方法，其特征在于，所述关系图卷积网络模型为通过如下方式训练得到的模型：获取L个样本数据和与所述L个样本数据分别对应的L个风险信息，其中，所述L个样本数据包括设备数据，所述L个样本数据分别...
【专利技术属性】
技术研发人员：崔际宏，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。